AdaBoost
AdaBoost (Adaptive Boosting) er den opprinnelige boosting-algoritmen, introdusert av Yoav Freund og Robert Schapire i 1997, som kombinerer en sekvens av enkle svake lærende ved å gi mer vekt til observasjonene de får feil. Forløperen til gradient boosting, den er enkel, tolkbar og en sterk baseline for klassifisering.
Les hele metoden
Logg inn med en gratis konto for å lese denne delen.
Method map
The neighbourhood of related methods — select a node to explore.
+2 more
Kilder
- Freund, Y. & Schapire, R.E. (1997). A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 55(1), 119–139. DOI: 10.1006/jcss.1997.1504 ↗
Slik siterer du denne siden
ScholarGate. (2026, June 1). AdaBoost (Adaptive Boosting). ScholarGate. https://scholargate.app/no/machine-learning/adaboost
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BeslutningstreMaskinlæring↔ compare
- Logistisk regresjonForskningsstatistikk↔ compare
- Random ForestMaskinlæring↔ compare
- StackingMaskinlæring↔ compare
- XGBoostMaskinlæring↔ compare
Referert av
Funnet en feil på denne siden? Rapporter eller foreslå en rettelse →